该论文论述了一种基于用户转化行为模型和信用分配算法的多点触控归因(MTA)系统,能够持续处理不完整的数据并捕捉广告效果会随时间改变的特点,可帮助广告商在预算和竞标决策上更好地分配资源。
Sep, 2020
本文基于 Dual-attention Recurrent Neural Network 模型,提出了一种关于多点触控补偿,序列预测和预期分配方面的新模型。并且,通过预算分配评估了该模型,证明了其在性能方面优于现有模型。
Aug, 2018
本文提出了使用神经网络的多触点归因模型 CAMTA,并在 Criteo 数据集上进行了实证研究和性能对比。该模型利用用户行为和预转化动作来预测广告触点后的归因,具有优秀的预测精度和预算分配效果。
Dec, 2020
本文描述了一个实用的多点触控归因(MTA)系统,用于数字广告发行商。实现该系统的方法包括响应模型和信用分配模型使用循环神经网络和 Shapley Values 方法。
Feb, 2019
DeepMTA 是一种基于深度学习和附加特征解释模型的在线多点触摸归因模型,具有解释性和较高的准确性。
Mar, 2020
本文旨在提高推广广告招标策略的效率,并介绍了一种基于归因模型的招标方法,研究结果表明该方法有效性高且应用范围广。
Jul, 2017
本文提出 CausalMTA,用于解决 multi-touch attribution 中的 confounding bias 问题,从而学习一个无偏的预测模型,并在多个广告渠道中生成有意义的归因信用。
Dec, 2021
本文提出了一种基于数据驱动、使用半黑盒模型和高效优化算法的营销预算配置框架,以应对在线业务中动态环境和复杂决策 - making 过程,支持多种业务约束,可以处理大规模的问题,并在阿里巴巴集团的许多场景中取得了成功的应用,离线实验和在线 A/B 测试均证明了其有效性。
本研究提出了一种在线方法,通过在时间范围内最优化地分配预算,并基于事前性能分布来选择高质量的广告展示和调整竞价,以实现顺畅的预算交付并优化转化表现。
May, 2013
本文提出了一种基于深度学习的新型归属算法,利用 DNAMTA 模型,通过监督学习预测广告活动是否导致转化,来精确评估每个广告渠道的影响,并结合用户背景信息和行为控制变量来减少估计偏差,从而深入理解媒体渠道的动态交互效应,并在大型真实世界营销数据的计算实验中表现出比现有方法更为优越的转化预测和媒体渠道影响评估。
Sep, 2018